多图详解：如何不停服分库分表

淡淡的烟草味﹌ 2021-09-25 14:34 198阅读 0赞

> 欢迎大家关注公众号「JAVA前线」查看更多精彩分享文章，主要包括源码分析、实际应用、架构思维、职场分享、产品思考等等，同时欢迎大家加我个人微信「java\_front」一起交流学习

# 1 理论知识 #

## 1.1 分库分表是否必要 ##

分库分表确实可以解决单表数据量大这个问题，但是并非首选。因为分库分表至少引入了三个必须解决的突出问题。

第一是分库分表方案本身具有的复杂性。第二是本地事务失效问题，原本在同一个数据库中可以保证强一致性业务逻辑，分库之后事务失效。第三是难以聚合查询问题，因为分库分表后查询条件中必须带有shardingKey，所以限制了很多查询场景。

我们在之前文章[《面试官问单表数据量大是否必须分库分表》][Link 1]介绍过解决单表数据量过大问题，可以按照删、换、分、拆、异、热这六个字顺序进行处理，而不是一上来就分库分表。

删是指删除历史数据并进行归档。换是指不要只使用数据库资源，有些数据可以存储至其它替代资源。分是指读写分离，增加多个读实例应对读多写少的互联网场景。拆是指分库分表，将数据分散至不同的库表中减轻压力。异指数据异构，将一份数据根据不同业务需求保存多份。热是指热点数据，这是一个非常值得注意的问题。

## 1.2 分库分表两大维度 ##

假设有一个电商数据库存放订单、商品、支付三张业务表。随着业务量越来越大，这三张业务数据表也越来越大，查询性能显著降低，数据拆分势在必行，那么数据拆分可以从纵向和横向两个维度进行。

### 1.2.1 纵向拆分 ###

纵向拆分就是按照业务拆分，我们将电商数据库拆分成三个库，订单库、商品库。支付库，订单表在订单库，商品表在商品库，支付表在支付库。这样每个库只需要存储本业务数据，物理隔离不会互相影响。

![02 纵向分表.jpg][02 _.jpg]

### 1.2.2 横向拆分 ###

按照纵向拆分方案，现在我们已经有三个库了，平稳运行了一段时间。但是随着业务增长，每个单库单表的数据量也越来越大，逐渐到达瓶颈。

这时我们就要对数据表进行横向拆分，所谓横向拆分就是根据某种规则将单库单表数据分散到多库多表，从而减小单库单表的压力。

横向拆分策略有很多方案，最重要的一点是选好ShardingKey，也就是按照哪一列进行拆分，怎么分取决于我们访问数据的方式。

#### (1) 范围分片 ####

如果我们选择的ShardingKey是订单创建时间，那么分片策略是拆分四个数据库，分别存储每季度数据，每个库包含三张表，分别存储每个月数据：

![03 横向分表\_范围分表.jpg][03 _.jpg]

这个方案的优点是对范围查询比较友好，例如我们需要统计第一季度的相关数据，查询条件直接输入时间范围即可。这个方案的问题是容易产生热点数据。例如双11当天下单量特别大，就会导致11月这张表数据量特别大从而造成访问压力。

#### (2) 查表分片 ####

查表法是根据一张路由表决定ShardingKey路由到哪一张表，每次路由时首先到路由表里查到分片信息，再到这个分片去取数据。我们分析一个查表法思想应用实际案例。

Redis官方在3.0版本之后提供了集群方案RedisCluster，其中引入了哈希槽（slot）这个概念。一个集群固定有16384个槽，在集群初始化时这些槽会平均分配到Redis集群节点上。每个key请求最终落到哪个槽计算公式是固定的：

SLOT = CRC16(key) mod 16384

一个key请求过来怎么知道去哪台Redis节点获取数据？这就要用到查表法思想：

(1) 客户端连接任意一台Redis节点，假设随机访问到节点A
    (2) 节点A根据key计算出slot值
    (3) 每个节点都维护着slot和节点映射关系表
    (4) 如果节点A查表发现该slot在本节点，直接返回数据给客户端
    (5) 如果节点A查表发现该slot不在本节点，返回给客户端一个重定向命令，告诉客户端应该去哪个节点请求这个key的数据
    (6) 客户端向正确节点发起连接请求

查表法方案优点是可以灵活制定路由策略，如果我们发现有的分片已经成为热点则修改路由策略。缺点是多一次查询路由表操作增加耗时，而且路由表如果是单点也可能会有单点问题。

#### (3) 哈希分片 ####

现在比较流行的分片方法是哈希分片，相较于范围分片，哈希分片可以较为均匀将数据分散在数据库中。我们现在将订单库拆分为4个库编号为\[0,3\]，每个库包含3张表编号为\[0,2\]，如下图如所示：

![04 横向分表\_哈希分表\_1.jpg][04 _1.jpg]

我们选择使用orderId作为ShardingKey，那么orderId=100这个订单会保存在哪张表？因为是分库分表，第一步确定路由到哪一个库，取模计算结果表示库表序号：

db_index = 100 % 4 = 0

第二步确定路由到哪一张表：

table_index = 100 % 3 = 1

第三步数据路由到0号库1号表：  
![04 横向分表\_哈希分表\_2.jpg][04 _2.jpg]

在实际开发中路由逻辑并不需要我们手动实现，因为有许多开源框架通过配置就可以实现路由功能，例如ShardingSphere、TDDL框架等等。

# 2 分库分表准备工作 #

## 2.1 计算库表数量 ##

分几个库和几张表是在分库分表工作开始前必须要回答的问题，我们首先看看阿里巴巴开发手册的建议：单表行数超过500万行或者单表容量超过2GB才推荐进行分库分表，如果预计3年后数据量根本达不到这个级别，请不要在创建表时就分库分表。

我们提取出这个建议的两个关键词500万、3年作为预估库表数的基线，假设业务数据日增量60万，那么应该如何预估需要分多少个库，多少张表呢？

日增量60万计算3年后数据总量：

三年数据总量 = 60 * 365 * 3 = 65700

随着后续业务发展日增量会超过60万，所以我们要对数据总量进行冗余，冗余指数是多少根据业务情况而定，本文按照3倍冗余：

三年数据总量三倍冗余 = 65700 * 3 = 197100

按照单表500万并向上取整至2的幂次计算表数量

表数量 = 197100 / 500 = 394.2 向上取整 = 512

所有表放在一个库并不合适，因为随着数据量增大，访问并发量也会呈正相关增大，一个数据库实例是难以支撑的。本文按照一个数据库实例包含32张表计算库数量：

库数量 = 512 / 32 = 16

## 2.2 shardingKey ##

确定shardingKey非常关键，因为作为分片指标，当数据拆分至多个库表之后，代理层只能根据shardingKey进行表路由。假设我们设置了userId作为shardingKey，那么后续DML操作都必须包含userId字段。但是现在有一种场景只有orderId作为查询条件，那么我们应该如何处理这种场景呢？

第一种方案是设计orderId包含userId相关特征，这样即使只有订单号作为查询条件，也可以截取userId特征进行分片：

订单号 = 毫秒数 + 版本号 + userId后六位 + 全局序列号

第二种方案是数据异构，核心思想是以空间换时间，一份数据根据不同维度存储到多个数据介质，数据异构一般分为如下类型。

数据异构至MySQL：我们可以选择orderId作为shardingKey存储至另一个数据库实例，那么orderId就可以作为条件进行查询。

数据异构至ES：如果每一个维度都新建一个数据库实例也是不现实的，所以我们可以将数据同步至ES满足多维度查询需求。

数据异构至Hive：MySQL和ES可以满足实时查询需求，Hive可以满足离线分析需求，报表等数据分析工作无需通过主库，而是可以通过Hive进行。

现在又引出一个新问题，业务不可能每次都将数据写入多个数据源，这样会带来性能问题和数据一致性问题，所以需要一个管道进行各数据源之间同步，阿里开源的canal组件可以解决这个问题。

# 3 分库分表实例 #

在完成准备工作之后，我们可以开始分库分表工作了。分库分表方法有很多种，但是说到底都是在处理两类数据：存量和增量。存量表示旧数据库已经存在的数据，增量表示不存在于旧数据库待新增或者变更的数据。根据存量和增量这两种类型，我们可以将分库分表方法分为停服拆分和不停服拆分。

## 3.1 停服拆分 ##

停服是指停止服务，系统不再接收新业务数据，那么旧数据在分库分表这个时间段内是静止不变的，数据全部变为了存量数据。停服拆分一般分为三个阶段。

第一阶段首先编写代理层和新DAO，代理层通过开关决定访问旧表还是新表，此时流量还是全部访问旧表：

![00 停服\_阶段1.jpg][00 _1.jpg]

第二阶段停止服务，整个应用都没有流量，旧表数据已经处于静止状态，此时通过脚本将存量数据从旧表迁移至新表：

![00 停服\_阶段2.jpg][00 _2.jpg]

第三阶段通过代理层访问新表，如果出现错误可以停服排查问题：

![00 停服\_阶段3.jpg][00 _3.jpg]

## 3.2 不停服拆分 ##

停服拆分方案比较简单，但是在分表这段时间没有业务流量，对业务是有损的，所以我们一般采用不停服拆分方案，一边有流量访问，一边进行分库分表，此时数据不仅有存量还有增量，相对而言会复杂一些。

第一阶段首先编写代理层和新DAO，代理层通过开关决定访问旧表还是新表，此时流量还是全部访问旧表：

![01 不停服\_阶段1.jpg][01 _1.jpg]

第二阶段开启双写，增量数据不仅在旧表新增和修改，也在新表新增和修改，日志或者临时表记录下写入新表ID起始值，旧表中小于这个值的数据就是存量数据：

![02 不停服\_阶段2.jpg][02 _2.jpg]

第三阶段存量数据迁移，通过脚本将存量数据写入新表：

![03 不停服\_阶段3.jpg][03 _3.jpg]

第四阶段停读旧表改读新表，此时新表已经承载了所有读写业务，但是不要立刻停写旧表，需要保持双写一段时间。

不停写旧表有两个原因：第一是因为如果读新表出现问题，还可以将读流量切回旧表。第二是因为可以进行数据校对，例如新表和旧表数据都同步至Hive，选取几天的数据进行校对，从而验证数据同步的准确性。

![04 不停服\_阶段4.jpg][04 _4.jpg]

第五阶段当读写新表一段时间之后，没有发生业务问题，可以停写旧表：

![05 不停服\_阶段5.jpg][05 _5.jpg]

## 3.3 代理层实现 ##

代理层实现了新旧数据源切换，需要尽量减少业务层代码的侵入性，而适配器模式可以有效减少对业务层的侵入性。我们首先看看旧数据访问对象和业务服务：

// 订单数据对象
    public class OrderDO { 
        private String orderId;
        private Long price;
    
        public String getOrderId() { 
            return orderId;
        }
    
        public void setOrderId(String orderId) { 
            this.orderId = orderId;
        }
    
        public Long getPrice() { 
            return price;
        }
    
        public void setPrice(Long price) { 
            this.price = price;
        }
    }
    
    // 旧DAO
    public interface OrderDAO { 
        public void insert(OrderDO orderDO);
    }
    
    // 业务服务
    public class OrderServiceImpl implements OrderService { 
    
        @Resource
        private OrderDAO orderDAO;
    
        @Override
        public String createOrder(Long price) { 
            String orderId = "orderId_123";
            OrderDO orderDO = new OrderDO();
            orderDO.setOrderId(orderId);
            orderDO.setPrice(price);
            orderDAO.insert(orderDO);
            return orderId;
        }
    }

引入新数据源访问对象：

// 新数据对象
    public class OrderNewDO { 
        private String orderId;
        private Long price;
    }
    
    // 新DAO
    public interface OrderNewDAO { 
        public void insert(OrderNewDO orderNewDO);
    }

适配器模式减少业务代码侵入性：

// 代理层
    public class OrderDAOProxy implements OrderDAO { 
        private OrderDAO orderDAO;
        private OrderNewDAO orderNewDAO;
    
        public OrderDAOProxy(OrderDAO orderDAO, OrderNewDAO orderNewDAO) { 
            this.orderDAO = orderDAO;
            this.orderNewDAO = orderNewDAO;
        }
    
        @Override
        public void insert(OrderDO orderDO) { 
            if(ApolloConfig.routeNewDB) { 
                OrderNewDO orderNewDO = new OrderNewDO();
                orderNewDO.setPrice(orderDO.getPrice());
                orderNewDO.setOrderId(orderDO.getOrderId());
                orderNewDAO.insert(orderNewDO);
            } else { 
                orderDAO.insert(orderDO);
            }
        }
    }
    
    
    // 业务服务
    public class OrderServiceImpl implements OrderService { 
    
        @Resource
        private OrderDAO orderDAO;
        @Resource
        private OrderNewDAO orderNewDAO;
    
        @Override
        public String createOrder(Long price) { 
            String orderId = "orderId_123";
            OrderDO orderDO = new OrderDO();
            orderDO.setOrderId(orderId);
            orderDO.setPrice(price);
            new OrderDAOProxy(orderDAO, orderNewDAO).insert(orderDO);
            return orderId;
        }
    }

# 4 文章总结 #

分库分表具有三个必须面对的问题：方案本身复杂性、本地事务失效问题、难以聚合查询问题，所以分库分表方案并非解决海量数据问题的首选。

如果必须分库分表，首先进行容量预估并选择合适的shardingKey，其次根据实际业务选择停服或者不停服方案，如果选择不停服方案，注意保持新表和旧表双写一段时间，从而验证数据准确性，希望本文对大家有所帮助。

# 5 延伸阅读 #

[一种简单可落地的分布式事务方案][Link 2]

[面试官问单表数据量大是否必须分库分表][Link 1]

[Link 1]: https://mp.weixin.qq.com/s?__biz=MzIyNzYzMTQ2Ng==&mid=2247486763&idx=1&sn=4d93bbe7d44aaed9e256c53e2c580e9a&chksm=e85f052edf288c38d4701e7ad08f9f2cb19e286fcb045a0865e16b8e84d518c4e0bd3ef69486&token=919273586&lang=zh_CN#rd
[02 _.jpg]: /images/20210923/498f7c8e6372410598738f4e581f1604.png
[03 _.jpg]: /images/20210923/3f3125d605fb4a0691a2778a01e84657.png
[04 _1.jpg]: /images/20210923/ce8099dd330340ad9208615f945e1c49.png
[04 _2.jpg]: /images/20210923/814db0896e2d46bf874c49c72065e2a4.png
[00 _1.jpg]: /images/20210923/53b60d3dcb5845019e90c63850399a9b.png
[00 _2.jpg]: /images/20210923/37ede72c0fac4ff8bb7192e181914171.png
[00 _3.jpg]: /images/20210923/0b868c42bc604066aba8cd75d56f9012.png
[01 _1.jpg]: /images/20210923/3ef88a994a9748679b99400087284ea0.png
[02 _2.jpg]: /images/20210923/e2893190e41240f88e603143dddca1e6.png
[03 _3.jpg]: /images/20210923/05d99397f8a84805ac74596c9aa0e607.png
[04 _4.jpg]: /images/20210923/754560643dee4d7e925e6a564e5e68b8.png
[05 _5.jpg]: /images/20210923/2f83cc16001f4ec9a379ede07c7f860a.png
[Link 2]: https://mp.weixin.qq.com/s?__biz=MzIyNzYzMTQ2Ng==&mid=2247485227&idx=1&sn=232c0753ff5c88833f7931244fe22fb8&chksm=e85f0f2edf288638000a24ddf8b2fb5d1c34a424a03a4322489879a886351a46cb360a482db8&token=355303816&lang=zh_CN#rd